Isaque Victor cursos gratuitosNesta aula
A IA ajusta botões para errar menos.
Por dentro, quase toda IA é feita de números de entrada, botões ajustáveis e uma medida de erro. Você vai fazer a conta de um neurônio à mão e ver por que corrigir o assistente no chat não o ensina.
- Somar entradas com pesos e decidir, num exemplo à mão
- Explicar "aprender" como reduzir erro
- Separar treino, teste e uso
A peça mais simples: somar e decidir
A menor peça de uma IA multiplica cada entrada por um peso, soma tudo e compara com um limite. Peso é o quanto cada entrada conta na decisão.
Exemplo: um filtro de spam com três entradas. A palavra "grátis" vale +2. Muitas letras maiúsculas valem +1. Remetente na sua agenda vale −3. O limite é 1,5. Um e-mail com "grátis" e maiúsculas, de um desconhecido, soma 3. Passou do limite: spam.
Aprender é girar os botões
Ninguém escreve os pesos. Cada peso é como um botão numa mesa de som. A máquina vê um exemplo com resposta certa, compara com o que ela disse e gira os botões um pouquinho para errar menos. Repete isso milhões de vezes, com milhões de exemplos. Isso é o treino.
Uma camada só não basta para coisas muito parecidas. Por isso se empilham camadas. Numa rede de imagens, a primeira costuma ver bordas, a seguinte junta bordas em formas, e as últimas reconhecem partes de objetos. Ninguém ensinou essa ordem: ela nasce do ajuste.
Treino, teste e uso
| Fase | O que acontece | Os pesos mudam? |
|---|---|---|
| Treino | Exemplos com resposta; o erro ajusta os botões | Sim |
| Teste | Exemplos novos, só para medir o erro | Não |
| Uso | O modelo pronto responde a você | Não |
O objetivo é acertar o que a máquina nunca viu. Se ela decora o treino e falha no teste, é sobreajuste. É o aluno que decora a prova do ano passado e vai mal na deste ano. Por isso, diante de "acerta 95%", pergunte: em quais exemplos?
O assistente prevê o próximo pedaço
Para a máquina, texto é número. Ela corta as palavras em pedaços chamados tokens. "Inteligência" pode virar dois ou três. Por isso o assistente às vezes erra ao contar letras: ele não vê letras, vê pedaços.
Depois, ele faz uma só coisa: dá uma chance a cada token que pode vir a seguir. Em "O céu está", "azul" tem chance alta e "verde" quase zero. A resposta é essa escolha repetida, pedaço por pedaço. A atenção, ideia do Transformer de 2017, ajuda a decidir quais palavras anteriores pesam mais. Em "o banco fechou porque o rio subiu", "banco" olha para "rio" e entende margem, não dinheiro.
Corrigir no chat não treina
Os pesos só mudam no treino. Quando você corrige o assistente, a correção entra no contexto: o texto da conversa, que ele relê a cada resposta. Parece que aprendeu, mas é o mesmo modelo. Abra uma conversa nova e o erro pode voltar.
Coisa de profissional
Quem monta um filtro de spam não escolhe só "acertar mais". Os dois erros não custam igual. Marcar um e-mail de verdade como spam é pior do que deixar um spam passar, porque você pode perder um aviso importante. Já em 1998, o filtro dos pesquisadores só marcava como lixo acima de 99,9% de certeza. Profissional sempre pergunta qual erro é mais caro e ajusta o limite por ele, não só pela média.
Cuidado com a média
O treino mede o erro médio. Um grupo com poucos exemplos pesa pouco nessa média. Em 2018, um estudo testou sistemas comerciais que adivinham gênero em fotos: o erro chegou a 34,7% para mulheres de pele mais escura, contra no máximo 0,8% para homens de pele mais clara. A média escondia a diferença.
Prática · 5 min
- Pegue dez e-mails seus, cinco de spam e cinco legítimos. Para cada um, marque 1 ou 0 nas três entradas do filtro.
- Calcule a soma com os pesos +2, +1 e −3. Acima de 1,5 é spam. Conte os acertos.
- Mude um peso em 0,5 e conte de novo. Melhorou ou piorou?
Resumo
- A peça básica multiplica entradas por pesos, soma e compara com um limite.
- Treinar é girar os pesos, milhões de vezes, para errar menos.
- Só o treino muda os pesos. Corrigir no chat não treina o modelo.
- O assistente escolhe o próximo token, um pedaço de cada vez.
- Média alta pode esconder grupos que a IA erra muito.
Fontes
Lidas em 30 de outubro de 2026.
- LeCun, Bengio e Hinton. Deep learning (Nature, 2015): pesos, treino e camadas.
- Sahami e outros. A Bayesian Approach to Filtering Junk E-Mail (1998).
- Vaswani e outros. Attention Is All You Need (2017).
- Buolamwini e Gebru. Gender Shades (2018).
Quiz da aula
Três situações para aplicar o que viu.